Dois pesquisadores da Universidade de Wyoming desenvolveram um modelo de aprendizado de máquina que melhora a precisão da detecção de terremotos em 14,5 por cento em comparação com o modelo atual mais preciso existente.

Pejman Tahmasebi, professor associado da Faculdade de Engenharia e Ciências Aplicadas da UW, conduziram um estudo no qual propuseram um método mais eficiente na detecção de atividade sísmica.

"Nosso modelo desenvolvido pode processar com eficiência os dados de sinal registrados por sismômetros. Ele pode diferenciar automaticamente os eventos sísmicos, aqueles que estão relacionados a terremotos e importantes para nós, do ruído sísmico, "Tahmasebi diz." Além disso, quando o evento sísmico é detectado, o modelo proposto pode fornecer uma estimativa aproximada da localização geográfica onde isso ocorre. O mais importante é que nosso modelo é mais preciso em termos de precisão de estimativa da localização geográfica, onde uma melhoria de 14,5 por cento é alcançada em comparação com o existente. "

Tahmasebi é o autor correspondente de um artigo intitulado "Attention-Based LSTM-FCN for Earthquake Detection and Location", que foi publicado em 5 de outubro em Geophysical Journal International . É uma das principais revistas de pesquisa primária do mundo em geofísica da Terra sólida e publica artigos de pesquisa de alta qualidade em todos os aspectos teóricos, computacional, experimental, geofísica aplicada e observacional.

Tao Bai, um Ph.D. do quarto ano estudante na Faculdade de Engenharia e Ciências Aplicadas da UW, é o autor principal do artigo. Bai desenvolveu os códigos de computador para esta pesquisa.

A detecção e localização de terremotos são desafiadoras porque um sinal sísmico geralmente é barulhento e os micro-terremotos estão escondidos dentro do ruído sísmico, de acordo com o jornal. Os métodos tradicionais de detecção e localização frequentemente dependem de fases escolhidas manualmente ou algoritmos de computação intensiva.

Para melhor diferenciar eventos sísmicos de ruído sísmico e identificar as regiões em que ocorrem eventos sísmicos, Tahmasebi e Bai desenvolveram um modelo que é uma combinação de modelos de aprendizado de máquina existentes de memória longa de curto prazo (LSTM) e rede totalmente convolucional (FCN), uma combinação que não foi usada antes. O modelo LSTM é usado para capturar a dinâmica temporal, ou como um sinal muda com o tempo, De dados. O modelo FCN é usado para extrair características importantes e ocultas de eventos sísmicos, que são difíceis de extrair para observar visualmente.

"Esses dados, na verdade, têm dois componentes - tempo e espaço - uma vez que são coletados ao longo do tempo, "Tahmasebi diz.

O modelo que os pesquisadores da UW criaram tem uma precisão de classificação de 89,1 por cento, o que representa uma melhoria de 14,5 por cento em relação ao modelo ConvNetQuake, o método mais moderno, Tahmasebi diz. Além disso, enquanto o modelo ConvNetQuake tem a capacidade de classificar eventos sísmicos em uma das seis regiões geográficas, o modelo criado pelos pesquisadores da UW pode localizar eventos sísmicos com uma resolução mais alta, classificando os eventos sísmicos em 15 regiões.

"Em nosso modelo proposto, a mesma região foi dividida em 15 pequenas sub-regiões, o que significa que a localização geográfica prevista do evento sísmico será mais precisa, "Tahmasebi diz.

Os dois testaram a eficácia e eficiência de seu modelo proposto em dados sísmicos coletados em Oklahoma, que sofreu um aumento no número de terremotos nos últimos anos devido ao descarte de águas residuais, Tahmasebi diz.

Os dados compilados para o conjunto de treinamento do estudo incluíram 2, 709 eventos sísmicos e 700, 039 leituras de ruído sísmico, enquanto o conjunto de teste continha 2, 111 eventos sísmicos e 129, 170 leituras de ruído sísmico. Embora seu modelo não identifique todos os eventos sísmicos (três foram perdidos), menos ruídos sísmicos foram classificados incorretamente como eventos sísmicos, de acordo com o estudo.

"Os resultados deste estudo não se limitam aos problemas de terremotos, "Tahmasebi diz." O método proposto pode ser usado para monitorar atividades vulcânicas, modelagem de infraestrutura, energia limpa, sistemas geotérmicos e outros problemas nos quais o processamento de grandes dados é um desafio. "